Feature Engineering para Machine Learning

Aprende a instalar el gestor de anaconda con python

Aprende a actualizar el gestor de paquetes Conda

Conoce cómo crear un entorno específico para desarrollar el curso y la instalación de los paquetes y librerías necesarias

Conoce como usar conda para instalar librerías

Aprende a descargar e instalar VS Code el cual será el editor de texto con el que trabajaremos

¿Cuál es la razón por la cual estudiar ingeniería de características?

Definiciones clave sobre lo que es ingeniería de características

¿Cómo infieren los datos en la constitución del aprendizaje automático actual?

¿Qué beneficios aporta la ingeniería de características para construir modelos de aprendizaje automático?

Identificar los datos estructurados y los datos no estructurados

Conoce la diferencia de los datos cuantitativos y datos cualitativos

Utilizaremos la librería Pandas para determinar los diferentes tipos de datos de las variables

conoce la clasificación de los datos por su nivel

Conoce sobre los datos del nivel nominal

Conoce sobre los datos del nivel ordinal

Aprende a visualizar datos de nivel ordinal con librerías de visualización de python

Conoce sobre los datos de nivel de intervalo

Aprende técnicas para transformar características preexistentes en nuevas características

Aprende a graficar datos de nivel de intervalo con bibliotecas de graficación

Conoce sobre los datos del nivel de Razón

Hagamos un recordatorio de lo visto en este capítulo

¿Qué son la identificación y el manejo de valores faltantes?

Conociendo el dataset con el que trabajaremos la unidad

Aprende a hacer un pequeño EDA en los datos para identificar patrones

¿Cómo se puede luchar con valores nulos?

La estrategia mas simple, la exterminación

Nuestro primer clasificador usando el algoritmo K Nearest Neighbors

Aprende a completar los valores faltantes con técnicas importantes

Utilizaremos el clasificador previamente construido con los datos originales

A veces la imputación no es la mejor solución ¿o si?

Conoce lo que es un Pipeline de Machine Learning

Aprende a construir un pipeline con Scikit-Learn

Conoce estas técnicas para Estandarizar y Normalizar datos

Clase teórica de la estandarización por puntaje Z

Uso de Scikit-Learn para estandarizar a través del puntaje Z

Aprender a construir el pipeline de Machine Learning con la estandarización Z Score

Aprender el método de Estandarización Min-Max Scaler

Construiremos un Pipeline de Machine Learning usando la estandarización Min-Max

Aprenderás el método de normalización por filas

Explorar el dataset Population y GDP de África

Aprender a imputar las variables cualitativas

Crear una clase de Python para  imputar variables cuantitativas de manera personalizada

Aprender técnicas de Encoding de variables categóricas

Conoce de qué se trata la selección de características

Conocer el set de datos con el que trabajaremos esta unidad

Probar los modelos de arboles de decisión, random forest y regresión logística

Conoce la primera metodología de selección de características correspondiente a los Métodos basados en la Estadística

Uso del primer método basado en Estadística. La correlación.

Parte 1 del segundo método basado en la estadística el cual es la prueba de hipótesis

Parte 1 del segundo método basado en la estadística el cual es la prueba de hipótesis

La segunda metodología de selección de características. Basado en Modelos de ML

Uso de los métodos de selección basados en árboles

Uso de los modelos lineales para seleccionar características

Conocer sobre qué trata esta unidad

Para qué sirve la reducción de dimensionalidad

Conocer la fundamentación teórica y matemática del Análisis de componentes principales

Explorar el set de datos con el que vamos a trabajar el PCA

Aplicar el algoritmo LDA utilizando Scikit-Learn

Responder a la pregunta si el escalado y normalización de características afecta al Análisis de Discriminante Lineal

Conoce de qué se trata el aprendizaje de características

Un breve acercamiento a los modelos con los que vamos a trabajar

Conoce el algoritmo de las máquinas de boltzman restringidas y su arquitectura como red neuronal corta

Demostración de la red neuronal de RBM usando python

¿Cómo es el proceso de reconstrucción de las características en una RBM?

Exploración del set de datos con el que vamos a trabajar los ejemplos prácticos

Usando TensorFlow representaremos todos los pasos de ejecución de una RBM

Visualización de los resultados del entrenamiento y reconstrucción anterior

Diferencias entre RBM genérica y RBM de Bernoulli

Aprende sobre los word embeddings fundamento para los LLMs de hoy

Conoce como funciona y la arquitectura del modelo Word2Vec de Google

Implementación de Wor2Vec en Python usando la librería Gensim